Uczenie głębokie i sztuczna inteligencja usprawniają techniki diagnostyki medycznej
Nieinwazyjne procedury obrazowe – takie jak rezonans magnetyczny i tomografia komputerowa – są wykorzystywane do diagnozowania i monitorowania chorób. W dobie obliczeń wielkiej skali i dużych zbiorów danych obszerne zbiory danych obrazowych z takich procedur mogą być wykorzystywane do szkolenia zaawansowanych modeli opartych na sztucznej inteligencji w celu identyfikacji i wsparcia nowych i bardziej skutecznych sposobów leczenia pacjentów. Najdokładniejsze i najbardziej użyteczne z tych modeli można włączyć do systemów wspomagania diagnozowania klinicznego (ang. clinical diagnosing support system, CDSS). Te systemy wsparcia klinicznego, które gromadzą dane skoncentrowane na pacjencie i często obejmują zautomatyzowane alerty i przypomnienia dla personelu opiekuńczego, są potencjalną kluczową korzyścią płynącą z zastosowania sztucznej inteligencji w medycynie.
Wydajność obliczeniowa i kompatybilność
„Z technicznego punktu widzenia korzyści płynące ze stosowania CDSS są zrozumiałe i doceniane”, mówi kierownik techniczny projektu DeepHealth, Jon Ander Gomez z Politechniki w Walencji (UPV) w Hiszpanii. „Wyzwanie polega na opracowaniu większej liczby adaptacji, a także na wykorzystaniu obecnych osiągnięć”. Inspiracją dla finansowanego ze środków UE projektu DeepHealth, koordynowanego przez hiszpańską firmę NTT DATA (strona internetowa w języku hiszpańskim), były wspólne prace prowadzone przez UPV i FISABIO. Prace te skupiły się na przetwarzaniu obrazów z rezonansu magnetycznego w celu diagnozowania choroby Alzheimera, a także obrazowaniu kręgosłupa metodą rezonansu magnetycznego. „Zaobserwowaliśmy brak jednorodności między aplikacjami programowymi i bibliotekami na potrzeby budowania potoków do przetwarzania danych medycznych – głównie obrazów – i szybszego trenowania modeli opartych na sztucznej inteligencji”, wyjaśnia Gomez. Kolejną zidentyfikowaną potrzebą było osiągnięcie odpowiedniej wydajności obliczeniowej podczas pracy na dużych zbiorach danych obrazów medycznych.
Zastosowanie medycznych przypadków testowych
Zespół projektu DeepHealth postanowił więc pomóc naukowcom zajmującym się danymi w sektorze medycznym w łatwiejszym trenowaniu modeli opartych na sztucznej inteligencji. Głównym zadaniem było stworzenie dwóch nowych bibliotek – European Distributed Deep Learning Library (EDDL) oraz European Computer Vision Library (ECVL). „Celem ECVL było umożliwienie wczytywania obrazów medycznych w dowolnym formacie oraz przekształcanie obrazów niezbędne do trenowania głębokich sieci neuronowych”, zauważa koordynatorka projektu DeepHealth Monica Caballero z NTT DATA w Hiszpanii. EDDL zapewnia funkcjonalności uczenia głębokiego, dodatkowo rozdzielając obciążenie pracą pomiędzy dostępne zasoby obliczeniowe. Dostosowanie obu bibliotek w celu zapewnienia kompatybilności z różnymi platformami operacyjnymi było kluczowym osiągnięciem. Obie biblioteki zintegrowano następnie z siedmioma platformami programowymi i poddano ocenie z wykorzystaniem 15 przypadków użycia końcowego. Wśród tych przypadków znalazły się np. diagnoza raka jelita grubego i diagnoza raka płuc, a także przewidywanie migreny i napadów padaczkowych. W każdym przypadku zespół projektowy był w stanie wykazać korzyści płynące z zastosowania technik głębokiego uczenia do diagnozowania konkretnych schorzeń.
Ogólnodostępne narzędzie do poprawy diagnostyki
ECVL i EDDL są podstawowymi bibliotekami zestawu narzędzi DeepHealth. Obejmuje to segment back-end, który oferuje wszystkie funkcjonalności bibliotek, a także front-end, który odpowiada za internetowy interfejs użytkownika. „Dzięki temu analitycy danych nie dysponujący rozległą wiedzą na temat głębokiego uczenia, rozpoznawania obrazów czy obliczeń wielkiej skali, mogą zająć się szeregiem aplikacji”, mówi Gomez. Ten zestaw narzędzi jest ogólnodostępny i bezpłatny. „Naszym celem jest teraz promowanie wykorzystania zestawu narzędzi DeepHealth – a w szczególności bibliotek DeepHealth – zarówno wśród instytucji badawczych, jak i przemysłowych”, zauważa Caballero. W międzyczasie biblioteki, jak i cały zestaw narzędzi, będą nadal udoskonalane. Poprzez zwiększenie dostępności, możliwości udostępniania i wydajności przetwarzania dużych zbiorów danych zawierających obrazy medyczne projekt DeepHealth wniósł istotny wkład w bardziej ukierunkowaną opiekę zdrowotną i lepsze leczenie pacjentów.
Słowa kluczowe
DeepHealth, biomedyczny, medyczny, RM, SI, open-source, zbiory danych, diagnozy, obrazowanie